Datawhale AI 夏令营 电力需求预测赛（机器学习）——task2个人笔记

大赛链接：2024 iFLYTEK A.I.开发者大赛-讯飞开放平台 (xfyun.cn)

赛题背景：

• 全球化和城市化加快导致电力系统承受极大压力，电力需求的准确预测在此时显得格外重要。
• 以“电力需求预测”为赛题的数据算法挑战赛。选手需要根据历史数据构建有效的模型，能够准确的预测未来电力需求。

赛题任务：

• 给定多个房屋对应电力消耗历史N天的相关序列数据等信息，预测房屋对应电力的消耗。

task2主要任务：

基于task1中给出的baseline使用进阶的lightgbm进行进一步解决问题，通过task2获取更好的预测任务。

task1给出的代码如下：

# 1. 导入需要用到的相关库
# 导入 pandas 库，用于数据处理和分析
import pandas as pd
# 导入 numpy 库，用于科学计算和多维数组操作
import numpy as np

# 2. 读取训练集和测试集
# 使用 read_csv() 函数从文件中读取训练集数据，文件名为 'train.csv'
train = pd.read_csv('./data/data283931/train.csv')
# 使用 read_csv() 函数从文件中读取测试集数据，文件名为 'train.csv'
test = pd.read_csv('./data/data283931/test.csv')

# 3. 计算训练数据最近11-20单位时间内对应id的目标均值
target_mean = train[train['dt']<=20].groupby(['id'])['target'].mean().reset_index()

# 4. 将target_mean作为测试集结果进行合并
test = test.merge(target_mean, on=['id'], how='left')

# 5. 保存结果文件到本地
test[['id','dt','target']].to_csv('submit.csv', index=None)

最后得分为373.89846

task2具体内容：

（1）导入相关库。

在task1中已经导入了机器学习中常见的数据分析的
库，分别是numpy和pandas，接下来仍然需要导入lightgbm和sklearn，此外也需要用到其他模块，需要一并导入。

注意，此处的lightgbm使用的是3.3.0版本。

import numpy as np
import pandas as pd
import lightgbm as lgb
from sklearn.metrics import mean_squared_log_error, mean_absolute_error, mean_squared_error
import tqdm
import sys
import os
import gc
import argparse
import warnings
warnings.filterwarnings('ignore')

请注意，此处在导入库的时候，如果事先并未安装相关库的话，需要进行下载，具体步骤为打开powershell，输入

pip install ****

****处为需要安装的库。

（2）读取数据。

读取训练数据和测试数据，具体代码与baseline给出的一样，直接粘贴复制即可。

注意：在读取数据时后方括号内应为实际数据存储的位置！

（3）特征工程

task2主要构建了 历史平移特征和 窗口统计特征；关于特征工程的详细解释和具体分类，可以参考图灵的猫.大佬的文章，链接:http://t.csdnimg.cn/ZiQCk。具体说明如下：

1. 历史平移特征：通过历史平移获取上阶段信息。可以这样理解，将昨天的信息给到今天，今天的信息给到明天，明天的信息给到后天，从而实现平移单位的特征构建。
2. 窗口统计特征：构建不同的窗口大小，基于窗口的范围进行均值等数据量的信息统计，可以反映最近阶段数据的变化情况。

代码如下 ：

# 合并训练数据和测试数据，并进行排序
data = pd.concat([test, train], axis=0, ignore_index=True)
data = data.sort_values(['id','dt'], ascending=False).reset_index(drop=True)

# 历史平移
for i in range(10,30):
    data[f'last{i}_target'] = data.groupby(['id'])['target'].shift(i)
    
# 窗口统计
data[f'win3_mean_target'] = (data['last10_target'] + data['last11_target'] + data['last12_target']) / 3

# 进行数据切分
train = data[data.target.notnull()].reset_index(drop=True)
test = data[data.target.isnull()].reset_index(drop=True)

# 确定输入特征
train_cols = [f for f in data.columns if f not in ['id','target']]

（4）模型训练和预测

task2使用的是Lightgbm模型，在训练时需要注意，因为在此处给出的数据具有时序关系，所以需要严格按照时序进行分割；在此处将dt在30之后的作为训练集，之前数据作为验证集。代码如下：

def time_model(lgb, train_df, test_df, cols):
    # 训练集和验证集切分
    trn_x, trn_y = train_df[train_df.dt>=31][cols], train_df[train_df.dt>=31]['target']
    val_x, val_y = train_df[train_df.dt<=30][cols], train_df[train_df.dt<=30]['target']
    # 构建模型输入数据
    train_matrix = lgb.Dataset(trn_x, label=trn_y)
    valid_matrix = lgb.Dataset(val_x, label=val_y)
    # lightgbm参数
    lgb_params = {
        'boosting_type': 'gbdt',
        'objective': 'regression',
        'metric': 'mse',
        'min_child_weight': 5,
        'num_leaves': 2 ** 5,
        'lambda_l2': 10,
        'feature_fraction': 0.8,
        'bagging_fraction': 0.8,
        'bagging_freq': 4,
        'learning_rate': 0.05,
        'seed': 2024,
        'nthread' : 16,
        'verbose' : -1,
    }
    # 训练模型
    model = lgb.train(lgb_params, train_matrix, 50000, valid_sets=[train_matrix, valid_matrix], 
                      categorical_feature=[], verbose_eval=500, early_stopping_rounds=500)
    # 验证集和测试集结果预测
    val_pred = model.predict(val_x, num_iteration=model.best_iteration)
    test_pred = model.predict(test_df[cols], num_iteration=model.best_iteration)
    # 离线分数评估
    score = mean_squared_error(val_pred, val_y)
    print(score)
       
    return val_pred, test_pred
    
lgb_oof, lgb_test = time_model(lgb, train, test, train_cols)

# 保存结果文件到本地
test['target'] = lgb_test
test[['id','dt','target']].to_csv('submit.csv', index=None)

需要注意，此处的model参数设定处，因为使用的lightgbm为3.3.0版本，如果使用最新版本的lightgbm会导致报错，我在此处也因为版本问题苦恼许久，后面根据群内大佬的解答，此处的verbose_eval=500, early_stopping_rounds=500可以进行更改，更改为callbacks=[early_stopping.early_stopping(500), log_evaluation.log_evaluation(period=50)]即可正常运行。

到此处tesk2已经完成，最后的得分为259.674，可以见到相较于之前的task1的分数有了较大的进步。